Bootstrap Motion Forecasting With Self-Consistent Constraints

要約

自己一貫性制約 (MISC) を使用してモーション予測をブートストラップするための新しいフレームワークを紹介します。
動き予測タスクは、過去からの空間的および時間的情報を組み込むことによって、車両の将来の軌道を予測することを目的としています。
MISC の重要な設計は、トレーニング中の空間的および時間的摂動の下で予測される軌道を規則化する、提案された二重一貫性制約です。
また、動き予測におけるマルチモダリティをモデル化するために、マルチモダリティ監視で自己制約を強制するための正確な教師ターゲットを取得する新しい自己アンサンブルスキームを設計します。
複数の教師ターゲットからの明示的な制約により、予測パフォーマンスの明らかな向上が観察されます。
Argoverse 動き予測ベンチマークと Waymo Open Motion データセットに関する広範な実験により、MISC が最先端の手法を大幅に上回ることが示されました。
提案された戦略は一般的であり、他の動き予測アプローチに簡単に組み込むことができるため、提案したスキームがいくつかの既存の方法の予測パフォーマンスを一貫して向上させることも実証します。

要約(オリジナル)

We present a novel framework to bootstrap Motion forecasting with Self-consistent Constraints (MISC). The motion forecasting task aims at predicting future trajectories of vehicles by incorporating spatial and temporal information from the past. A key design of MISC is the proposed Dual Consistency Constraints that regularize the predicted trajectories under spatial and temporal perturbation during training. Also, to model the multi-modality in motion forecasting, we design a novel self-ensembling scheme to obtain accurate teacher targets to enforce the self-constraints with multi-modality supervision. With explicit constraints from multiple teacher targets, we observe a clear improvement in the prediction performance. Extensive experiments on the Argoverse motion forecasting benchmark and Waymo Open Motion dataset show that MISC significantly outperforms the state-of-the-art methods. As the proposed strategies are general and can be easily incorporated into other motion forecasting approaches, we also demonstrate that our proposed scheme consistently improves the prediction performance of several existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google